論文の概要: Sensitivity-Based Tube NMPC for Cooperative Aerial Structures Under Parametric Uncertainty

• arxiv url: http://arxiv.org/abs/2604.25766v2
• Date: Thu, 30 Apr 2026 22:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 13:37:10.909335
• Title: Sensitivity-Based Tube NMPC for Cooperative Aerial Structures Under Parametric Uncertainty
• Title（参考訳）: パラメトリック不確かさ下での協調空気構造に対する感度ベースチューブNMPC
• Authors: Giuseppe Silano, Quentin Sablé, Marco Tognon, Luigi Iannelli, Antonio Franchi,
• Abstract要約: 本稿では, 境界不確実性下での協調的航空連鎖に対する感度に基づく管モデル予測制御フレームワークを提案する。 我々は,スムーズなコサイン埋め込みとスラスト-マグニチュード境界によって実装されたリンク間分離制約を堅牢化する。 その結果,名目NMPCに匹敵する追跡性能が不確実な場合の制約マージンが改善した。
• 参考スコア（独自算出の注目度）: 6.559490392362257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a sensitivity-based tube Nonlinear Model Predictive Control (NMPC) framework for cooperative aerial chains under bounded parametric uncertainty. We consider a planar two-vehicle chain connected by rigid links, modeled with input-rate actuation to enforce slew-rate and magnitude limits on thrust and torque. Robustness to uncertainty in link mass, length, and inertia is achieved by propagating first-order parametric state sensitivities along the horizon and using them to compute online constraint-tightening margins. We robustify an inter-link separation constraint, implemented via a smooth cosine embedding, and thrust-magnitude bounds. The method is implemented in MATLAB and evaluated with boundary-hugging maneuvers and Monte-Carlo uncertainty sampling. Results show improved constraint margins under uncertainty with tracking performance comparable to nominal NMPC.
• Abstract（参考訳）: 本稿では, 管内非線形モデル予測制御(NMPC)フレームワークについて述べる。 剛性リンクで連結された平面二輪鎖を入力速度アクチュエータでモデル化し,スルーレートと推力およびトルクの最大限を強制する。 リンクの質量、長さ、慣性における不確実性に対するロバスト性は、水平線に沿って一階のパラメトリック状態の感度を伝播し、それらを用いてオンラインの制約強調マージンを計算することによって達成される。 我々は,スムーズなコサイン埋め込みとスラスト-マグニチュード境界によって実装されたリンク間分離制約を堅牢化する。 この手法はMATLABで実装され,境界ハグ操作とモンテカルロ不確実性サンプリングを用いて評価された。 その結果,名目NMPCに匹敵する追跡性能が不確実な場合の制約マージンが改善した。

関連論文リスト

• Leveraging Kernel Symmetry for Joint Compression and Error Mitigation in Edge Model Transfer [3.231396702901076]
  本稿では,畳み込みカーネルにおける構造的対称性制約を利用して,通信効率のよいニューラルネットワーク伝送について検討する。 すべてのモデルパラメータを送信するのではなく、選択された対称性群によって入力される一意係数のみを送信する自由度(DoF)ベースのモデルを提案する。
  論文  参考訳（メタデータ） (2026-04-19T10:55:04Z)
• Online Inertia Tensor Identification for Non-Cooperative Spacecraft via Augmented UKF [0.0]
  本稿では,非協調ターゲット宇宙船の相対的な6-DOFポーズと全慣性テンソルを共同で推定するための拡張アンセント・カルマンフィルタ(UKF)フレームワークを提案する。 提案アーキテクチャは,単眼視に基づく畳み込みニューラルネットワーク(CNN)の視覚計測をLiDARの深度情報と融合させて,剛体力学の結合を制約する。 慣性テンソルの6つの独立要素を含む状態ベクトルを増大させることで、基底ベースの事前校正を必要とせず、ターゲットの正規化質量分布をリアルタイムで動的に復元する。
  論文  参考訳（メタデータ） (2026-03-28T18:13:03Z)
• Consistent and Efficient MSCKF-based LiDAR-Inertial Odometry with Inferred Cluster-to-Plane Constraints for UAVs [46.21996481591401]
  本稿では,UAVに適した一貫した,効率的なLiDAR-Inertial Odometryフレームワークを提案する。 スライディングウインドウのコプラナー制約にヌル空間プロジェクションを適用することにより、状態ベクトルにおける特徴パラメータへの直接依存を排除できる。 退化シナリオにおける堅牢性の向上,マップのない性質によるメモリ使用量の最小化,リソース制約の組込みプラットフォーム上でのリアルタイム実行などを実現している。
  論文  参考訳（メタデータ） (2026-03-13T11:09:50Z)
• System Identification under Constraints and Disturbance: A Bayesian Estimation Approach [5.58001571731715]
  本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。 物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。
  論文  参考訳（メタデータ） (2026-02-18T10:45:30Z)
• Model-Less Feedback Control of Space-based Continuum Manipulators using Backbone Tension Optimization [0.0]
  連続マニピュレータは、閉じ込められた、障害物の多い環境でのナビゲーションのディクスタリティと安全なコンプライアンスを提供する。 無限次元のバックボーン変形、非モデル化内部摩擦、構成に依存した剛性は、モデルベースキネマティックな定式化の信頼性を制限する。 この研究は、微分凸更新を通じてオンラインに改良された経験的に固有のヤコビアンを用いて、キネマティックモデリングをバイパスする完全なモデルレス制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-07T09:34:28Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Robust Online Control with Model Misspecification [96.23493624553998]
  本研究では,未知の非線形力学系のモデル不特定性を考慮したオンライン制御について検討する。 本研究は, 線形近似からの偏差を許容できる程度に測定できるロバスト性に着目した。
  論文  参考訳（メタデータ） (2021-07-16T07:04:35Z)
• Neural Contraction Metrics for Robust Estimation and Control: A Convex Optimization Approach [6.646482960350819]
  本稿では,ニューラル・コントラクト・メトリック(NCM)の概念を用いて,ロバストな非線形推定と制御のための新しいディープラーニングベースのフレームワークを提案する。 NCMは、最適な収縮距離を大域的に近似するために、ディープロング短期記憶リカレントニューラルネットワークを使用する。 そこで本稿では,NCMを用いた非線形システムの最適推定器と制御器の設計について述べる。
  論文  参考訳（メタデータ） (2020-06-08T05:29:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。